The most traditional methods and the most complex machine learning engineering techniques have failed to handle the complexity and the non-linearities which exist in the financial time series, particularly during the last financial crisis. Specific disadvantages have been identified in traditional modeling and prediction techniques. These include difficulties in regulating the algorithms parameters, the difficulty of linear methods to provide good estimates, the problem of over fitting and the fact that modeling and prediction often considered as different problems. The models that describe the economic time series are not static in time but constantly changing.
This thesis subject, is to study the effect of the information that users publish on the social networks at the short-term stock value forecast. After the information extraction from the social network Twitter, this information gets edited in a appropriated way in order to study this information effect in short-term predictions of the ASE (Athens Stock Exchange) as the Dow Jones share prices. The retrieved information is processed according to Maragoudakis & Serpanos [8]. The results of this evaluation is quantified and used in the evaluation function of a genetic algorithm which is combined with support vector machines [2,3]. We study how the information from social networks can improve the prediction.
The proposed method is used to predict the value of the shares of National Bank of Greece, Alpha Bank, Piraeus Bank, Eurobank Ergasias Bank, OPAP, FOLLI-FOLLIE, OTE and Intralot, as also, the value of the shares of Apple, Nintendo, Pfizer and Google. The proposed method is compared with many traditional methods and computational intelligence methods such as artificial neural networks.
(EL)
Οι περισσότερες παραδοσιακές μέθοδοι και οι ποιο σύνθετες τεχνικές μηχανικής μάθησης έχουν αποτύχει στο να χειριστούν την πολυπλοκότητα και τις μη γραμμικότητες που υπάρχουν στις οικονομικές χρονοσειρές, ιδιαίτερα κατά την διάρκεια τις τελευταίας οικονομικής κρίσης. Συγκεκριμένα μειονεκτήματα έχουν εντοπισθεί στις παραδοσιακές μεθόδους μοντελοποίησης και πρόβλεψης, και περιλαμβάνουν δυσκολίες στην ρύθμιση των παραμέτρων των αλγορίθμων, την δυσκολία των γραμμικών μεθόδων να παρέχουν καλές προβλέψεις, το πρόβλημα της υπερεκπαίδευσης και το γεγονός ότι η μοντελοποίηση και η πρόβλεψη πολλές φορές θεωρούνται διαφορετικά προβλήματα. Τα μοντέλα που περιγράφουν τις οικονομικές χρονοσειρές δεν είναι στατικά στο χρόνο αλλά μεταβάλλονται συνεχώς.
Αντικείμενο της διπλωματικής εργασίας είναι η μελέτη της επίδρασης πληροφοριών από κοινωνικά δίκτυα στη βραχυπρόθεσμη πρόβλεψη τιμών μετοχών. Αρχικά γίνεται άντληση πληροφορίας από το κοινωνικό δίκτυο Twitter και στη συνέχεια, μετά από κατάλληλη επεξεργασία, θα μελετηθεί η επίδρασή της στην βραχυπρόθεσμη πρόβλεψη τιμών μετοχών του ΧΑΑ, αλλα και του Dow Jones. Η πληροφορία αυτή, επεξεργάζεται σύμφωνα με τη μεθοδολογία που έχει προταθεί από τους Maragoudakis & Serpanos [8]. Το αποτέλεσμα της αξιολόγησης αυτής αφού ποσοτικοποιηθεί, χρησιμοποιείται στην συνάρτηση αξιολόγησης ενός γενετικού αλγορίθμου που συνδυάζεται με μηχανές διανυσμάτων υποστήριξης [2,3]. Μελετήθηκε κατά πόσο οι πληροφορίες από τα κοινωνικά δίκτυα μπορούν να βελτιώσουν την πρόβλεψη.
Η προτεινόμενη μέθοδος χρησιμοποιείται για την πρόβλεψη της τιμής των μετοχών της Εθνικής Τράπεζας Ελλάδος, Alpha Τράπεζας, Τράπεζας Πειραιώς, Τράπεζας Eurobank Ergasias, ΟΠΑΠ, FOLLI-FOLLIE, ΟΤΕ και Ιντραλότ αλλά και στις μετοχές των Apple, Nintendo, Pfizer και Google. Η προτεινόμενη μέθοδος συγκρίνεται με πληθώρα παραδοσιακών μεθόδων και μεθόδων υπολογιστικής νοημοσύνης όπως είναι τα τεχνητά νευρωνικά δίκτυα.
(EL)
University of Patras
